包分类算法一直是当今计算机网络中研究的热点问题,作为计算机网络中交换设备转发数据的依据,其算法性能影响着网络中数据的转发速率。随着互联网的蓬勃发展,网络中的数据流量和业务需求激增,传统网络已无法满足需求,软件定义网络(software-defined networking,SDN)应运而生,而在SDN中负责数据包转发的流表包含至少15个表项并且流表规模庞大,传统的5元组包分类算法性能无法满足需求,针对流表需要重新设计新的包分类算法。目前由于摩尔定律遇到困难越来越大,使得并行计算得到了极大的发展,其中GPU加速的异构并行计算具有突出的性能,成为人工智能、区块链等新兴应用的常见并行技术。本文针对包分类算法性能上的问题,通过结合GPU异构并行计算来设计了相应的包分类算法,做了以下几个方面的工作,并取得了一定的成果。首先,本文利用网络中存在的局部流现象和各个字段特性提出了一种基于维度分解的实时动态包分类算法,该算法可以有效避免在匹配过程中全程扫描整个规则集并且对规则字段采用分类查找来提高查找效率。其次,在上文所述基于维度分解的实时动态包分类算法的基础上,设计了一种基于异构平台的包分类架构,利用GPU的并行计算能力,设计了多线程查找流水线结构,实现同时批量匹配规则的目的,从而提高了规则匹配查找速度。最后,我们搭建了实验环境,对提出的基于异构平台的包分类架构以及该架构下基于维度分解的实时动态包分类算法进行了验证,实验结果表明在同等规则集规模下,本文提出的基于维度分解的实时动态包分类算法在匹配速度和扩展性上相对文中对比的几种算法有一定的提升,并且本文提出的基于异构平台的包分类架构能有效的加快本文算法的匹配速度和提高算法的扩展性。